keras之数据预处理

数据填充pad_sequences

from keras.preprocessing.sequence import pad_sequences

keras.preprocessing.sequence.pad_sequences(sequences, maxlen=None,dtype='int32',padding='pre',truncating='pre', value=0.)

maxlen设置最大的序列长度，长于该长度的序列将会截短，短于该长度的序列将会填充

RNN网络容易出现反向传播过程中的梯度问题。主要原因是我们通常给RNN的参数为有限的序列。

为了实现的简便，keras只能接受长度相同的序列输入。因此如果目前序列长度参差不齐，这时需要使用pad_sequences()。该函数是将序列转化为经过填充以后的一个新序列。

举一个例子，是否使用对齐函数取决于如何切割本文，对于一个文本而言，如果是选择根据‘。’来分割句子，因此需要使用该函数保证每个分割的句子能够得到同等长度，但是更加聪明的做法是考虑将文本按照每一个字来分隔，保证切割的句子都是等长的句子，不要再使用该函数。

最后，输入RNN网络之前将词汇转化为分布式表示。

案例

keras.preprocessing.sequence.pad_sequences(sequences, maxlen=None, dtype=’int32’, padding=’pre’, truncating=’pre’, value=0.) 

函数说明： 将长为nb_samples的序列（标量序列）转化为形如(nb_samples,nb_timesteps)2D numpy array。如果提供了参数maxlen，nb_timesteps=maxlen，否则其值为最长序列的长度。其他短于该长度的序列都会在后部填充0以达到该长度。长于nb_timesteps的序列将会被截断，以使其匹配目标长度。padding和截断发生的位置分别取决于padding和truncating. 参数 sequences：浮点数或整数构成的两层嵌套列表

maxlen：None或整数，为序列的最大长度。大于此长度的序列将被截短，小于此长度的序列将在后部填0.

dtype：返回的numpy array的数据类型

padding：‘pre’或‘post’，确定当需要补0时，在序列的起始还是结尾补

truncating：‘pre’或‘post’，确定当需要截断序列时，从起始还是结尾截断

value：浮点数，此值将在填充时代替默认的填充值0

返回值 返回形如(nb_samples,nb_timesteps)的2D张量

例子：

import tensorflow as tf
import numpy as np

pad_sequence = tf.contrib.keras.preprocessing.sequence.pad_sequences

a=[[1,2,3],[4,5,6,7]]
b_len=np.array([len(_) for _ in a])
bs_packed = pad_sequence(a,maxlen=4,padding='pre',truncating='pre',value = 0)

print(bs_packed)

输出：

[[0 1 2 3] 
[4 5 6 7]]